跳转至内容

提升YOLO11 ：Comet简化日志记录流程

记录关键的训练细节，例如参数、指标、图像预测和模型检查点，在 机器学习 中至关重要——它可以使您的项目保持透明，您的进度可衡量，并且您的结果可重复。



观看： 如何使用Comet Ultralytics YOLO 和指标 🚀

Ultralytics YOLO11Comet Comet ）无缝集成，高效捕捉并YOLO11 OLO11目标检测模型训练过程的每个环节。本指南将涵盖安装流程、Comet 、实时洞察、自定义日志记录及离线使用，确保YOLO11 得到全面记录与精细调优，从而获得卓越成果。

Comet

Comet

Comet 是一个用于追踪、比较、解释和优化机器学习模型及实验的平台。它支持在模型训练过程中记录指标、参数、媒体等数据，并通过美观的网页界面监控实验进程。Comet 数据科学家加速迭代，提升透明度与可复现性，并推动生产级模型的开发。

释放YOLO11 Comet的强大功能

通过Ultralytics YOLO11 Comet，您将获得多重优势：简化实验管理流程、实时洞察助力快速调整、灵活定制日志记录选项，以及在网络受限时离线记录实验数据的能力。此项整合使您能够基于数据做出决策、分析性能指标，并取得卓越成果。

安装

要安装所需的软件包，请运行：

安装

# Install the required packages for YOLO11 and Comet
pip install ultralytics comet_ml torch torchvision

配置Comet

安装所需的软件包后，您需要注册、获取 Comet API 密钥 并进行配置。

配置Comet

# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY

然后，您可以初始化您的 Comet 项目。Comet 将自动检测 API 密钥并继续进行设置。

初始化 Comet 项目

import comet_ml

comet_ml.login(project_name="comet-example-yolo11-coco128")

如果您使用的是 Google Colab notebook，上面的代码将提示您输入 API 密钥以进行初始化。

用法

在深入了解使用说明之前，请务必查看 Ultralytics 提供的 YOLO11 模型系列。这将帮助您为您的项目需求选择最合适的模型。

用法

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolo11-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

运行训练代码后Comet Comet 中自动创建实验以track 。随后您将获得一个链接，可通过该链接查看YOLO11 训练过程的详细日志记录。

Comet 无需额外配置即可自动记录以下数据：mAP 和损失等指标、超参数、模型检查点、交互式混淆矩阵以及图像 边界框 预测。

通过Comet 理解模型性能

让我们深入了解当您的YOLO11 开始训练时Comet 将呈现的内容。该控制面板是所有操作的核心枢纽，通过可视化图表和统计数据展示各类自动记录的信息。以下是快速导览：

实验面板

Comet 实验面板部分用于组织和展示不同运行及其指标segment 、类别损失、精确率和平均平均精确率。

Comet

指标

在指标部分，您还可以选择以表格格式检查指标，该表格格式显示在专用窗格中，如此处所示。

Comet

交互式 混淆矩阵

混淆矩阵位于“Confusion Matrix”选项卡中，提供了一种交互式方法来评估模型的分类准确性。它详细说明了正确和不正确的预测，使您能够了解模型的优势和劣势。

Comet

系统指标

Comet 系统指标以帮助识别训练过程中的任何瓶颈。这些指标包括GPU 、GPU 、CPU 。这些指标对于监控模型训练过程中资源使用的效率至关重要。

Comet

自定义Comet

Comet 通过设置环境变量来灵活定制其日志记录行为的功能。这些配置使您能够Comet 具体需求和偏好调整Comet 。以下是一些有用的自定义选项：

记录图像预测

您可以Comet 在实验过程中Comet 图像预测数量。默认情况下Comet 验证集中的100个图像预测结果。但您可根据需求调整该数值。例如，若需记录200个图像预测结果，请使用以下代码：

import os

os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"

批次日志记录间隔

Comet 指定批量图像预测的记录频率。 COMET_EVAL_BATCH_LOGGING_INTERVAL 环境变量控制此频率。 默认设置为 1，它记录来自每个验证批次的预测。 您可以调整此值以按不同的间隔记录预测。 例如，将其设置为 4 将记录来自每四个批次的预测。

import os

os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"

禁用混淆矩阵日志记录

在某些情况下，您可能不希望在每次验证集之后都记录混淆矩阵 epoch。您可以通过设置以下参数来禁用此功能 COMET_EVAL_LOG_CONFUSION_MATRIX 环境变量设置为“false”。 混淆矩阵将仅在训练完成后记录一次。

import os

os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"

离线日志记录

若您身处网络受限Comet 离线日志记录功能。您可设置 COMET_MODE 将环境变量设置为"offline"以启用此功能。您的实验数据将保存在本地目录中，Comet 网络连接恢复Comet 即可上传至Comet 。

import os

os.environ["COMET_MODE"] = "offline"

总结

本指南已引导您完成Comet Ultralytics YOLO11集成。从安装到定制，您已学会如何优化实验管理流程、获取实时洞察，并根据项目需求调整日志记录功能。

探索Comet 官方的YOLOv8 文档，该文档同样适用于YOLO11 。

此外，若您希望深入探索YOLO11 图像分割任务中的实际应用，这份关于 Comet YOLO11 详细指南提供了宝贵的见解和分步指导，助您提升模型性能。

此外，要探索 Ultralytics 的其他令人兴奋的集成，请查看集成指南页面，该页面提供了丰富的资源和信息。

常见问题

如何Comet Ultralytics YOLO11 集成YOLO11 训练？

Ultralytics YOLO11OLO11集成，请按以下步骤操作：

  1. 安装所需软件包：

    pip install ultralytics comet_ml torch torchvision

  2. 设置您的 Comet API 密钥:

    export COMET_API_KEY=YOUR_API_KEY

  3. 在您的 Python 代码中初始化您的 Comet 项目:

    import comet_ml

comet_ml.login(project_name="comet-example-yolo11-coco128")

  4. 训练您的 YOLO11 模型并记录指标:

    from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolo11-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

有关更详细的说明，请参阅Comet 。

Comet YOLO11 Comet 有哪些优势？

Ultralytics Comet集成，您可以：

  • 监控实时洞察: 获得有关训练结果的即时反馈，从而可以快速进行调整。
  • 记录丰富的指标: 自动捕获mAP、损失、超参数和模型检查点等基本指标。
  • 离线跟踪实验: 在无法访问互联网时，在本地记录您的训练运行。
  • 比较不同训练运行：使用交互式Comet 分析并比较多个实验。

通过利用这些功能，您可以优化机器学习工作流程，从而获得更佳的性能和可重复性。如需了解更多信息，请访问Comet 指南。

如何YOLO11 Comet 日志记录行为？

Comet 通过环境变量对日志行为进行广泛定制：

  • 更改记录的图像预测数量:

    import os

os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"

  • 调整批处理日志记录间隔:

    import os

os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"

  • 禁用混淆矩阵日志记录:

    import os

os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"

有关更多自定义选项，请参阅“自定义Comet ”部分。

如何Comet查看YOLO11 详细指标和可视化数据？

当YOLO11 开始训练后，您Comet 访问丰富的指标与可视化数据。主要功能包括：

  • 实验面板：查看不同的运行及其指标，包括segment mask损失、类别损失和平均精度。
  • 指标: 以表格格式检查指标以进行详细分析。
  • 交互式混淆矩阵：使用交互式混淆矩阵评估分类准确率。
  • 系统指标: 监控 GPU 和 CPU 的利用率、内存使用情况以及其他系统指标。

要详细了解这些功能，请参阅《 Comet 理解模型性能》章节。

在训练YOLO11 时，能否Comet 离线日志记录？

是的，您可以在Comet 设置 COMET_MODE 将环境变量设置为“offline”：

import os

os.environ["COMET_MODE"] = "offline"

此功能允许您在本地记录实验Comet 网络连接恢复后即可上传Comet 。该功能在网络受限的环境中尤为实用。更多详情请参阅离线记录章节。



📅 2 年前创建 ✏️ 18 天前更新
glenn-jocherRizwanMunawarUltralyticsAssistantjshakesjk4eMatthewNoyceAyushExel

评论